人工智能和拉曼光谱的可行性,以确定碎肉的真实性
Aleksandar Nedeljkovic1, Aristide Maggiolino2, Gabriele Rocchetti3
1Department of Animal Source Food Technology, Faculty of Agriculture, University of Belgrade, Nemanjina 6, 11080 Belgrade, Serbia.
Foods (Basel, Switzerland)
|September 13, 2025
概括
使用机器学习的拉曼光谱学准确识别了碎肉物种. 同质化显著提高了准确性,支持矢量机在复杂混合物中表现最好,用于检测食品欺诈.
科学领域:
- 分析化学 分析化学
- 食品科学 食品科学 食品科学
- 频谱学是一种光谱学.
背景情况:
- 肉制品中的食品欺诈造成了重大的经济和公共卫生风险.
- 快速可靠的检测方法对于确保肉的真实性至关重要.
研究的目的:
- 评估拉曼光谱法与机器学习相结合的有效性,以区分纯肉和混合碎肉.
- 为了比较支持矢量机器 (SVM),人工神经网络 (ANN) 和随机森林 (RF) 在肉类物种识别中的性能.
主要方法:
- 从19个切碎肉样本 (猪肉,牛肉,羊肉) 采集了不同比例的拉曼光谱.
- 应用了三种机器学习算法:SVM,ANN和RF.
- 评估样本同质化对光谱一致性和分类准确性的影响.
主要成果:
- 同质化显著提高了所有模型的分类准确性,将其从0.50-0.70提高到纯肉样本的0.85以上.
- 支持向量机在同质化混合物中实现了最高的精度 (多比率样本高达0.88对50:50,0.86).
- 同质化被认为是提高模型性能的关键因素.
结论:
- 拉曼光谱与机器学习相结合,为快速准确地识别碎肉物种提供了强大的方法.
- 样本同质化对于优化这些分析方法的性能至关重要.
- 在分类复杂的肉混合物方面,SVM表现出卓越的性能,有助于检测食品欺诈.
更多相关视频
09:26Species Determination and Quantitation in Mixtures Using MRM Mass Spectrometry of Peptides Applied to Meat Authentication
Published on: September 20, 2016
12.1K
08:05Detection and Isolation of Cancer in Prostate Biopsies Using Stimulated Raman Histology and Artificial Intelligence
Published on: June 10, 2025
1.1K
